Partie 3 : Tests d’hypothèses:

I-Tests paramétriques
Très souvent, on est conduit à confronter une
estimation obtenue à partir d’un sondage aléatoire à une
norme fixé a priori, ou encore à comparer les résultats de
deux échantillons différents.

La résolution de ces problèmes de comparaison à

partir des échantillons aléatoires repose sur un mode de
raisonnement statistique désigné sous le nom de test
d’hypothèses.
 1- Principe des tests
Un test consiste à :
 Émettre une hypothèse, notée H0, appelée hypothèse
nulle, sur un paramètre de X,
 Proposer une hypothèse alternative, notée H1
 Choisir une grandeur calculée à partir de l’échantillon,
appelée statistique

 Construire une règle de décision

 Déterminer la zone de rejet de l’hypothèse H0 en

fonction du risque d’erreur a que l’on veut bien accepter

 Prendre une décision

 Les risques d’erreur dans un test

décision Accepter H0 Rejeter H0

réalité

H0 vraie Bonne décision Mauvaise

décision:
Erreur a
H0 fausse Mauvaise Bonne décision
décision:
Erreur b

a = P(Rejeter H0 sachant que H0 est vraie)

b = P(Accepter H0 sachant que H0 est fausse)
Remarque:

Le choix du risque α est lié aux conséquences

pratiques de la décision : si les conséquences
sont graves, on choisira α = 1% ou 1‰, mais si
le débat est plutôt académique, α = 5 % fera le
plus souvent l’affaire.
 2. Tests de conformité
I- Test de comparaison d’une moyenne à une
valeur donnée

1. Principe du test
Soit X, une variable aléatoire observée sur
une population, X → N(μ,σ)
Population inconnue Population connue
X → N(μ,σ) X → N(μ0, σ0)

Echantillonnage aléatoire

Echantillon
n, X , s 2

Hypothèses
H 0 : μ = μ0 H1: μ ≠ μ0 test bilatéral
H1: μ > μ0 test unilatéral droit
H1 : μ < μ0 test unilatéral gauche
 2. Méthode de résolution d’un test bilatéral

Étape 1: H0 : m = m0 H1: m ≠ m0

Étape 2: Déterminer le risque d’erreur α

Étape 3: Déterminer le critère de rejet.

X  m0
Z obs 
 2

suit une loi normale centrée réduite N(0, 1)

Étape 4 : Règle de décision
 Si Zobs > Zseuil on rejette H0 au risque d’erreur α :
l’échantillon appartient à une population de moyenne
μ ≠ m0 .

 Si Zobs ≤ Zseuil on accepte H0 :

l’échantillon appartient à la population de moyenne m0 .

Zseuil = Z1-α/2
3. Méthode de résolution d’un test unilatéral
Étape 1: H0 : m = m0 H1: m > m0

ou H1: m < m0

Étape 2: Déterminer le risque d’erreur α

Étape 3: Déterminer le critère de rejet.

X  m0
Z obs 
 2

suit une loi normale centrée réduite N(0, 1)

Étape 4: Règle de décision

Test unilatéral droit H1: m > m0

 Si Zobs >Zseuil alors on rejette H0 au risque d’erreur α.

 Si Zobs ≤ Zseuil alors on accepte H0

Test unilatéral gauche H1: m < m0

 Si Zobs< Zseuil alors on rejette H0 au risque d’erreur α.

 Si Zobs ≥ Zseuil alors on accepte H0

Zseuil = Z1-α
 4. Remarque
Généralement on ignore à la fois la valeur de m et de  de
la population. On remplace alors,  par son estimation s n
déduite des observations:
X  m0
Z 
 Si n  30 ou X suit une loi normale, on a sn / n

suit la loi normale centrée réduite.

 Si n < 30 et X suit une loi normale, Z est remplacé par T,

T suit une loi de Student à n-1 degrés de liberté.
Exemple :

Une bibliothèque universitaire se demande si le

nombre moyen d’ouvrages consultés par les
étudiants au cours d’une visite a augmenté. Dans le
passé une étude avait montré que cette moyenne
s’établissait à 3 livres.

Un échantillon aléatoire de 10 étudiants (on

suppose qu’il est normalement distribué) a permis
de mesurer une moyenne de 4,2 livres consultés
avec un écart type de 1,8. Que peut-on conclure ?
 II- Test relatif à une proportion
Test bilatéral Test unilatéral droit Test unilatéral gauche

H 0 : p = p0 H0 : p = p0 H0 : p = p 0

H1 : p  p 0 H1 : p > p0 H1 : p < p 0
 2.2.1 Méthode de résolution
Étape 1: H0 : p = p0 H1: p ≠ p0

Étape 2: Déterminer le risque d’erreur α

Étape 3: Déterminer le critère de rejet.

p  p0
Z obs 
p 0 (1  p 0 )
n

suit une loi normale centrée réduite N(0, 1)

Si n >30, np0 ≥ 5 et nq0 ≥ 5
Etape 4: Règle de décision

Même règle des tests bilatéral et unilatéral de la moyenne

 Exemple

Au vu d’un échantillon de 40 000 naissances, on veut tester

qu’il y a autant de chances qu’un nouveau-né soit un garçon que
de chances qu’il soit une fille. En désignant par p la probabilité
qu’un nouveau-né soit un garçon, le problème est celui du test
entre :
H0 : p = p0 = 0,5 contre H1 : p  p0

La grande taille de l’échantillon donne la région critique

suivante :
 3. Tests d’homogénéité

Les tests d’homogénéité, destinés à comparer deux

populations à l’aide d’un nombre équivalent

d’échantillons (tests d’égalité ou d’homogénéité),

sont les plus couramment utilisés. Dans ce cas la loi

théorique du paramètre étudié (par exemple p, μ ,σ2)

est inconnue au niveau des populations étudiées.

 3.1 Comparaison de deux variances
3.1.1 Principe du test

Population 1 Population 2
X → N(μ1, σ1) X → N(μ2, σ2)

Echantillonnage aléatoire

Echantillon Echantillon
2 2
n1 , X 1 , s1 n2 , X 2 , s2

Hypothèses
H0 : σ12= σ22 H1: σ12 > σ22
 3.1.2 Méthode de résolution

Étape 1: H0 : σ12= σ22 H1: σ12 > σ22

Étape 2: Déterminer le risque d’erreur α

Étape 3: Déterminer le critère de rejet.

n1
^ s12
 12 n1  1
Fobs  ^

n2
 22 s22

n2  1

suit une loi de Fisher à (n1 -1, n2 -1) degrés de liberté

Étape 4 : Règle de décision

Il faut maintenant trouver dans la table de Fisher

la valeur critique Fseuil .

La règle de décision s’énoncera alors ainsi :

Si Fobs ≥ Fseuil alors on rejette H0.

Si Fobs ≤ Fseuil alors on accepte H0

 Exemple :
Méthode A Méthode B
1,30 1,30
1,32 1,40
1,40 1,48
1,45 1,48
1,50 1,50
1,51 1,60
1,55 1,76
1,56 1,88
1,92
2,20
Réaliser le test d’égalité de deux variances avec un
risque d’erreur de 5%
 3.2 Comparaison de deux moyennes
a- Principe du test
Soit X un caractère quantitatif continu observé sur deux

populations suivant une loi normale et deux échantillons

indépendants extraits de ces deux populations.

Hypothèses
H0 : m1= m2 H1: m1 ≠ m2
 b- Méthode de résolution

Étape 1: H0 : m1= m2 H1: m1 ≠ m2

Étape 2: Déterminer le risque d’erreur α

Étape 3: Déterminer le critère de rejet.

b-1 Si les variances des 2 populations sont connues

X1 → N(m1,1) , X2 → N(m2,2) avec 1 , 2 connus

 1   

X 1  N m1 ,  et X 2  N  m 2 ,  2 
 n1   n2 
   
  12  22 
donc X1  X 2  N  m1  m 2 , 
 n1 n2 
 

ou Z 
 X 1 
 X 2  m1  m 2 
 N (0,1)
 2
 2
1
 2
n1 n2
Sous H0 : m1= m2

X 1  X 2
Z obs 
 12  22

n1 n2

Étape 4 : Règle de décision

Si Zobs > Zseuil alors on rejette H0.

Si Zobs ≤ Zseuil alors on accepte H0.

Zseuil = Z1-α/2
 Exemple
On a effectué une étude, en milieu urbain et en
milieu rural, sur le rythme cardiaque humain :

Effectif de l’échantillon 300(urbain) 240(rural)

Moyenne de l’échantillon 80 77

Variance de la population 150 120

La v. a X « rythme cardiaque » suit une loi normale

Peut-on affirmer qu’il existe une différence
significative entre les rythmes cardiaques moyens des
deux populations ?
 Exemple
On veut comparer la production de deux machines
artisanales. Le volume de parfum déposé par ces
machines dans des flacons destinés à la vente a été
mesuré en ml. Les statistiques figurent ci-dessous.
Le responsable soupçonne une production
dépendante de la machine.

Machine 1 47 53 49 50 46

Machine 2 54 50 51 51 49

Qu’en pensez-vous?
 3.3 Comparaison de deux proportions
3.3.1 Principe du test
Soit X une variable qualitative prenant deux modalités
(succès X=1, échec X=0) observée sur 2 populations et
deux échantillons indépendants extraits de ces deux
populations. On fait l’hypothèse que les deux
échantillons proviennent de 2 populations dont les
probabilités de succès sont identiques.

Hypothèses
H0 : p1= p2 H1: p1 ≠ p2
Conditions d’application:
échantillons indépendants

n1 > 30 , n2 > 30,

n1p1 > 5, n1(1-p1)> 5,

n2p2 >5, n2(1-p2) > 5.

 3.3.2 - Méthode de résolution
Étape 1: H0 : p1= p2 H1: p1 ≠ p2
Étape 2: Déterminer le risque d’erreur α
Étape 3: Déterminer le critère de rejet.
sous H0 : p1= p2

p1  p 2 n1 p1  n2 p 2
Z obs  avec p 
 1 1  n1  n2
p q  
 n1 n2 

suit une loi normale centrée réduite N(0, 1)

Étape 4 : Règle de décision

Si Zobs > Zseuil alors on rejette H0.

Si Zobs ≤ Zseuil alors on accepte H0.

Zseuil = Z1-α/2
 Exemple
On veut tester l’impact des travaux dirigés dans la
réussite à l’examen de statistique.
Groupe 1 Groupe 2

Nombre
d’heures de TD 20 h 30 h
Nombre
d’étudiants 180 150
Nombre
d’étudiants ayant 126 129
réussi à l’examen
Qu’en concluez-vous ?